自动标注算法工程师（模型方向）_XC

A. 静态预刷（Static Pre-Labeling）模型

负责云端静态自动标注模型的设计、训练与迭代，包括但不限于：

1. 车道线、路沿、路面箭头、交通标志等 静态要素的特征建模与预测；
2. 针对道路拓扑（Topology）构建 merge / split 点识别、入口/出口关系建模、拓扑一致性校验；
3. 利用多模态数据（LiDAR intensity, RGB Map, Semantic Map 等）提升静态精度；
4. 设计端到端或模块化静态感知模型 例如 VMA 等；
5. 构建静态预刷模型的 版本管理、评测体系与大规模自动化训练流程。

B. 动态预刷（Dynamic Pre-Labeling）模型

根据业务需求承担动态预刷模型的训练与开发，包括：

1. 负责目标检测、跟踪（Tracking）、轨迹预测等 动态感知模型 训练与优化；
2. 具备处理 多车型数据（轿车/卡车/专用车等） 和跨车型泛化能力；
3. 掌握多传感器对齐与融合（Camera 和 LiDAR 之间，Front LiDAR, Main Lidar, Blind LiDAR 之间，Pinhole Camera, Fisheye Camera），
4. 解决 异源数据 问题；
5. 设计可迁移至大规模数据生产的 cloud inference pipeline；
6. 与 Tracking、QA、数据挖掘团队协作，实现动态标注数据的连贯性、准确性与模型驱动的自我演化。

C. 系统与闭环

1. 支持构建 自动标注数据闭环（model → pre-label → QC → feedback → retrain）；
2. 分析模型误差来源，制定 半监督 / 弱监督 / 伪标签（pseudo-label） 策略；
3. 优化推理速度，提升大规模云端标注吞吐效率。

• 硕士及以上学历，计算机视觉 / 自动驾驶 / AI 相关专业；
• 扎实掌握 LiDAR/Camera 检测/分割等核心感知算法；
• 有实际模型训练与调优经验，包括 loss 设计、数据增强、模型评测；
• 理解自动驾驶数据结构、Frame/Clip、Pose、点云特性、Label 规范；
• 具有工程落地能力，能处理大规模训练数据、分布式训练、模型部署。

加分项（Highly Preferred）

• 有 静态感知经验：Lane/Boundary/Topo 建模、vector map learning；
• 有 动态感知经验：CenterPoint、BEVFusion、DeepSORT/ByteTrack、trajectory modeling；
• 熟悉 多车型适配 / 跨车型泛化 相关建模经验；
• 熟悉 Camera + LiDAR + Radar 融合，具备异源数据对齐经验；
• 有自动标注产线、云端预刷系统或数据生产平台经验；
• 熟悉半监督、弱监督、伪标签生成、多模型融合；
• 有顶会论文或开源项目贡献（CVPR/ICCV/NeurIPS等）优先。